随着Internet的迅速发展,人们在工作、学习、日常生活中可以很便捷的获取很多信息,但是由于信息资源呈指数级增长,人们面对这些巨大的信息资源,很难从中获取有价值的信息,即信息资源处于过载状态。为了解决这一难题,个性化推荐技术便应运而生。该技术主要通过某种算法,分析用户在网站上的历史行为轨迹,精准的定位出用户的喜好,最后自动的为用户推荐一些他所感兴趣的物品。在个性化推荐领域里,协同过滤算法的应用比较普遍,有很多学者都在做深入的探索。本论文根据传统的协同过滤算法中存在的可扩展性问题、Salton相似度缺乏用户对物品的情感态度问题以及用户兴趣迁移问题分别提出了相应的改进方案。论文的主要研究内容如下:(1)针对可扩展性问题,本论文先使用谱聚类算法对用户聚类,这样目标用户搜索最近邻只需在他所在的簇里进行即可而不用全局扫描,极大的提高了推荐的时效性。而且谱聚类是通过用户矢量构造拉普拉斯矩阵实现的,其本质就是将原来用户的特征转化为更易于处理的特征矢量,这样又可以很好的克服数据的稀疏性,使算法的推荐效果更好。(2)针对Salton相似度缺乏用户对物品的情感态度问题,本论文通过分析用户对电影的评分和评价,抽取出评分和用户情感态度之间的映射关系。在此基础上,通过决策树策略寻找出用户情感态度和共现值权重之间的映射关系。把共现值权重应用到传统的Salton相似度里,就等同于把用户的情感态度融入到了Salton相似度里,使得算法搜索最近邻的准确率大大提高。(3)针对用户兴趣迁移问题,受到艾宾浩斯遗忘规律的影响,提出了一个时间加权的预测评分模型。该模型可以使得距离目标用户当前时间越近的喜好的权重越大,距离目标用户当前时间越远的喜好的权重越小,这样可以很好的限制用户的早期喜好对推荐效果的影响,提升推荐系统的智能化水平。最后,在大小为100K的MovieLens数据集上做测试,实验结果证明改进的基于用户的协同过滤算法的推荐效果比传统算法更好。